Dans cet article, nous présentons une stratégie séquentielle pour l'apprentissage de systèmes de recommandationà grandeéchelle sur la base d'une rétroaction implicite, principalement sous la forme de clics. L'approche proposée consisteà minimiser l'erreur d'ordonnacement sur les blocs de produits consécutifs constitués d'une séquence de produits non cliqués suivie d'un produit cliqué pour chaque utilisateur. Afin d'éviter de mettreà jour les paramètres du modèle sur un nombre anormalementélevé de clics (principalement dus aux bots), nous introduisons un seuil supérieur et un seuil inférieur sur le nombre de misesà jour des paramètres pour chaque utilisateur. Ces seuils sont estimés sur la distribution du nombre de blocs dans l'ensemble d'apprentissage. Nous proposons une analyse de convergence de l'algorithme et démontrons empiriquement son efficacité sur six collections,à la fois en ce qui concerne les différentes mesures de performance et le temps de calcul.